Le récent modèle open source de Meta, Muse Spark Open, avec 816 milliards de paramètres, a été dépassé par Qwen3.8-Flash-Next, qui n’en possède que 180 milliards. Selon les dernières mesures de l’organisme indépendant Artificial Analysis, le score global de ce géant de Meta n’est que de 39, tandis que Qwen3.8 obtient 40. Plus impressionnant encore : l’écart en termes de paramètres activés. Pour une seule inférence, Meta doit activer 42 milliards de paramètres, contre seulement 6 milliards pour Qwen — une différence d’efficacité de 7 fois. Le coût de déploiement local est encore plus évident. Après quantification en 4-bit, le fichier du modèle de Meta pèse 506 Go, une taille impossible à gérer pour un serveur classique ; Qwen ne pèse que 111 Go et tient facilement sur une seule carte professionnelle. Malgré un déploiement de plus de quatre fois plus de paramètres et de mémoire vidéo, la performance d’inférence est surpassée de justesse par son concurrent plus petit. Les grandes entreprises doivent sérieusement reconsidérer leur stratégie consistant à accumuler aveuglément des paramètres.